本项目是自然语言处理NLP在中文文本上的一些简单应用，如文本分类、情感分析、命名实体识别等。 文本分类 数据集用的是头条的标题和对应文章分类数据。数据集来自这里： 文本分类的例子对应zh_article_classify_bilstm_attention.ipynb，这里构建的是BiLSTM+Attention的模型结构。 具体模型搭建如下： def create_classify_model(max_len, vocab_size, embedding_size, hidden_size, attention_size, class_nums): # 输入层 inputs = Input(shape=(max_len,), dtype='int32') # Embedding层 x = Embedding(vocab_size, embedding_size)(

中文-DeepNER-Pytorch 天池中药说明书实体识别挑战冠军方案开源 贡献者： zxx飞翔​​的鱼： : 我是蛋糕王： : 数青峰： : 后续官方开放数据集后DeepNER项目会进行优化升级，包含完整的数据处理，训练，验证，测试，部署流程，提供详细的代码注释，模型介绍，实验结果，提供更普适的基础预训练的中文命名实体识别方案，开箱即用，欢迎星级！ （代码框架基于火炬和变压器，框架进行性，解耦性，易读性较高，很容易修改迁移至其他NLP任务中） 环境 python3 . 7 pytorch == 1.6 . 0 + transformers == 2.10 . 0 pytorch - crf == 0.7 . 2 项目目录说明 DeepNER │ ├── data # 数据文件夹 │ ├── mid

中文医学NLP公开资源整理：术语集/语料库/词向量/预训练模型/知识图谱/命名实体识别/QA/信息抽取/模型/论文/etc

为了获得更好的性能，您可以尝试NLPGNN，有关更多详细信息，请参见 。 BERT-NER版本2 使用Google的BERT进行命名实体识别（CoNLL-2003作为数据集）。 原始版本（有关更多详细信息，请参见old_version）包含一些硬代码，并且缺少相应的注释，因此不方便理解。 因此，在此更新版本中，有一些新的想法和技巧（关于数据预处理和图层设计）可以帮助您快速实现微调模型（您只需尝试修改crf_layer或softmax_layer）。 资料夹说明： BERT-NER |____ bert # need git from [h

中国临床神经内科 CCKS2019中文命名实体识别任务。从医疗文本中识别疾病和诊断，解剖部位，影像检查，实验室检查，手术和药物6种命名实体。实现基于捷巴和AC自动机的基线构建，基于BiLSTM和CRF的序列标注模型构造。伯尔尼的部分代码源于感谢作者。模型最终测试集重叠0.81，还有更多改进空间。

EasyBert 基于Pytorch的Bert应用，包括命名实体识别、情感分析、文本分类以及文本相似度等(后续更新其他方向相关模块)，并有相关数据与深度训练优化方式api。各个子项目大都为开源工作，本项目仅做相应处理以及提供一个已训练的预测接口，方便需求者进行快速的使用。本项目仅作为学习与研究使用，若存在侵权行为，请原作者务必联系我进行协商处理。 使用示例 使用前需下载相应的已训练模型，并导入相应位置 模型下载地址： 在此目录下各以需求名命名的文件中提供相应的使用演示，本阶段所训练的模型效果可以满足相应任务的基本需求。 现阶段通过各任务接口的时间相对慢，大都是在模型加载阶段。若想提升相应的速度，请使用者在接受相应精度损失的前提下更换AlBert进行相应任务的重新预训练。 依赖项 环境依赖 python >= 3.7 Pytorch >= 1.14 transformers >= 2.8.0

Lattice LSTM神经网络法中文医学文本命名实体识别模型研究.pdf

更好的NER 具有双向LSTM-CNN的命名实体识别 命名实体识别的双向LSTM_CNN的keras实现。 原始论文可以在找到 该实现与原始论文的不同之处在于： 不考虑词典 使用存储桶可加快培训速度 使用nadam优化程序代替SGD 结果 该模型在约70个时期内产生90.9％的测试F1得分。 对于给定的体系结构，本文产生的结果是91.14体系结构（带有emb + caps的BILSTM-CNN） 数据集 conll-2003 论文网络模型 使用Keras构建网络模型 运行脚本 python3 nn.py 要求 0) nltk 1) numpy 2) Keras==2.1.2 3) T

cr: Entity Recognition of Traditional Chinese Medicine's Manual (https://tianchi.aliyun.com/competition/entrance/531824/information) The dataset includes 1000pcs marked data from Chinese medicine's manual. 13 kinds of entity are defined to mark the data. 本次标注数据源来自中药药品说明书，1000份训练数据，共定义了13类实体。 entity definition.xlsx terms of use.pdf

使用google BERT进行CoNLL-2003 NER！ 为了获得更好的性能，您可以尝试使用fennlp，有关更多详细信息，请参见fennlp。 BERT-NER版本2使用Google的BERT进行命名实体识别（CoNLL-2003作为数据集）。 原始版本（请参阅old_version以获得更多详细信息）包含一些硬代码，并且缺少相应的注释，因此不方便理解。 因此，在此更新版本中，有一些新的思想和技巧（关于数据预处理和图层设计）可以帮助您快速实现微调模型（您只需要